تحلیل داده با زبان طبیعی

هزینهٔ اصلی تأخیر نیست

مسیر پرسش تا پاسخ از آدم‌ها می‌گذرد: ثبت درخواست، صف تیم داده، دریافت گزارش، و کشف اینکه گزارش به پرسش دیگری پاسخ داده است. هر سازمانی این را می‌داند و بیشترشان پذیرفته‌اند که بهای کار همین است.

نیست، و دلیلش ظریف‌تر از انتظار است.

یک خط بررسی واقعی را ببینید وقتی هر گامش یک هفته خرج دارد. «حاشیهٔ سود این منطقه چه روندی داشته؟» هفت روز بعد: «از سمت درآمد بوده یا هزینه؟» هفت روز بعدتر: «کدام واحدها؟» پرسش چهارم — «آیا این واحدها ویژگی مشترکی دارند؟» — همان جایی است که پاسخ واقعی زندگی می‌کند و تقریباً هیچ‌کس به آن نمی‌رسد. صف، بررسی را کُند نمی‌کند؛ قطعش می‌کند.

«روی اسکیمای ما هم جواب می‌دهد، نه اسکیمای نمایشی؟»

این پرسش درستی است و پاسخ صادقانه‌اش این است: بستگی به اسکیما دارد. نتایج منتشرشدهٔ تبدیل زبان طبیعی به SQL، از پایگاه‌دادهٔ تمیز دانشگاهی تا انبار دادهٔ واقعی با صدها جدول و نام ستون‌های مبهم و بدون یکپارچگی ارجاعی، به‌شدت افت می‌کنند. هر کسی در این حوزه کار می‌کند مشمول همین فیزیک است. تفاوت در این است که چه کسی این را به شما می‌گوید.

رویکرد ما

فقط‌خواندنی، روی زیرساخت شما. اتصال‌ها فقط‌خواندنی باز می‌شوند و هر پرس‌وجو داخل تراکنشی زمان‌دار اجرا می‌شود. چیزی بیرون کپی نمی‌شود و چیزی برنمی‌گردد.

پیش از سپردن اسکیما به مدل، مستندش کن. ستونی به نام flag7 برای کسی که آن را در سال ۹۳ ساخته معنا دارد و برای بقیه هیچ. لایهٔ معنایی — معنای جدول‌ها، ستون‌های قابل استفاده، و تعریف تأییدشدهٔ سازمان از «مشتری فعال» — همان جایی است که دقت از آن می‌آید. مدل زبانی روی انبار دادهٔ مستندنشده، نمایش است.

پاسخ را روی اسکیمای خودتان بسنجید. لایهٔ مستندسازی اسکیما و اجرای فقط‌خواندنی کنترل‌های مفیدی هستند. زنجیرهٔ کامل ارجاع از هر پاسخ تا دادهٔ منبع هنوز در دسترس نیست. تیم داده باید یافته‌های مهم را پیش از تصمیم‌گیری با گزارش‌های تأییدشده و دادهٔ اصلی مقایسه کند.

محاسبه کن، روایت نکن. عددی که در نمودار می‌آید از اجرای کد روی مجموعهٔ نتیجه می‌آید. مدلی که عدد را داخل جمله می‌نویسد دارد حساب را حدس می‌زند، و اینکه معمولاً درست حدس می‌زند دقیقاً همان چیزی است که خطرناکش می‌کند.

چه چیزی تحویل می‌گیرید

اتصال به همان سامانه‌هایی که دارید، مستندسازی اسکیما، تحلیل فقط‌خواندنی و کنترل دسترسی. در پایان نیز ارزیابی مکتوبی از بخش‌های آمادهٔ داده و بخش‌هایی که هنوز به مستندسازی یا راستی‌آزمایی نیاز دارند تحویل می‌گیرید.

کجا انتخاب اشتباهی است

• اگر پرسش‌ها ثابت‌اند، داشبورد بسازید. پرسش معلومی که هر روز چهل نفر می‌پرسند، گزارش است؛ و گزارش ارزان‌تر، سریع‌تر و قابل‌پیش‌بینی‌تر است.
• اگر اسکیما مستند نیست، اول بودجهٔ مستندسازی را بگذارید. این رایج‌ترین دلیل ناامیدی در این پروژه‌هاست. هیچ مدلی انبار داده‌ای را که کسی نمی‌تواند توضیحش دهد ترمیم نمی‌کند.
• اگر سازمان بر سر معنای شاخص توافق ندارد، اختلاف بر سر تعریف است و هیچ ابزاری این دعوا را فیصله نمی‌دهد. معمولاً همان هفتهٔ اول بیرون می‌زند، که دست‌کم مفید است.
• اگر به نوشتن نیاز دارید — تأیید، اصلاح، گردش کار — این لایهٔ درستی نیست. فقط‌خواندنی یک تصمیم طراحی است، نه محدودیتی که قصد رفعش را داشته باشیم.
• اگر عدد به نهاد ناظر می‌رود، مسئولیتش با یک انسان است. سامانه مسیر رسیدن به شواهد را کوتاه می‌کند؛ اظهارنامه را امضا نمی‌کند.